UM ESTUDO COMPARATIVO DOS MODELOS BOX-JENKINS E REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE VAZÕES E PRECIPITAÇÕES PLUVIOMÉTRICAS DA BACIA ARAGUAIA, TOCANTINS, BRASIL

• Main Authors: Camil Wadih Salame, Joaquim Carlos Barbosa Queiroz, Everaldo Barreiros de Souza, Valcir João da Cunha Farias, Edson José Paulino da Rocha, Helyelson Paredes Moura
• Format: Article
• Language: English
• Published: Associação Brasileira de Engenharia Sanitária e Ambiental 2019-11-01
• Series: Revista Brasileira de Ciências Ambientais
• Subjects: variáveis climáticas; previsões; séries temporais; perceptron multicamada; raiz do erro quadrático médio.
• Online Access: http://rbciamb.com.br/index.php/Publicacoes_RBCIAMB/article/view/585
• ISSN: 1808-4524; 2176-9478

Estudar a variabilidade dos parâmetros hidroclimáticos locais em bacias hidrográficas é importante para melhorar o gerenciamento dos recursos hídricos. Para tal, foram utilizados o modelo estatístico baseado na metodologia Box- Jenkins, adotado por muitas empresas na análise de séries temporais, inclusive todo o setor elétrico brasileiro, e a tecnologia de redes neurais, que se apresenta como poderosa ferramenta para previsões. Na comparação entre as duas técnicas, foram utilizadas observações de médias mensais de duas estações meteorológicas da Bacia Araguaia-Tocantins, Brasil, uma de vazões mensais (m3/s) e outra de precipitações pluviométricas mensais (mm), da Agência Nacional de Águas (ANA), com registros contínuos nos períodos de 1969 a 2017 e 1974 a 2017. As previsões foram testadas para 12 e 24 meses. Uma comparação entre os dois métodos, usando o teste de hipótese a partir de intervalos de confiança de 95%, mostrou que não houve diferenças estatisticamente significativas nas previsões individuais tanto de precipitações pluviométricas como de vazões. Entretanto, o uso do root mean square error (RMSE) mostrou que o método de Box-Jenkins apresenta melhores resultados. A maior dificuldade nesse método é na construção do modelo, sobretudo em séries com alta variabilidade. O método de redes neurais, em geral, consome mais tempo computacional em relação ao Box-Jenkins.